预测模块详解

山水之间2018

已于 2022-06-23 11:13:18 修改

阅读量860

点赞数

CC 4.0 BY-SA版权

分类专栏：无人驾驶文章标签：机器学习人工智能深度学习 Apollo

于 2022-06-23 10:58:04 首次发布

本文链接：https://blog.youkuaiyun.com/Gavinmiaoc/article/details/125422524

无人驾驶专栏收录该内容

23 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文深入解析Apollo自动驾驶系统的预测模块，重点介绍7.0版本的变化。预测模块利用机器学习模型，特别是多层感知机（MLP），处理障碍物信息，预测其轨迹。模块包括Container、Scenario、Evaluator和Predictor，负责存储数据、场景分析、评估障碍物行为和生成预测轨迹。预测框架与VectorNet和TNT论文理念相似，但7.0版采用MLP而非图神经网络，并强化了工程优化。文章还探讨了消息处理流程、数据主流程和代码主流程，以及与上下游模块的关系。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

5.3 prediction模块的场景与pnc模块的场景定义及区别

5.3.1 预测模块

5.3.2 storytelling 模块

5.3.3 planning 模块

1.模块概述

自动驾驶主车（Autonomous Driving Car ，ADC）行驶时，周围的车辆及行人在接下来的几秒内将要做什么？是否有碰撞的可能？这对于实现安全的自动驾驶而言至关重要，这也是自动驾驶领域中的轨迹预测模块的问题：对周边车辆、行人在接下来数秒时间的多种行为状态进行预测，进一步影响主车的路径规划。

近几年中自动驾驶行为预测领域很火的一种方式是——采用类似VectorNet（《VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation》）这个分层的图神经网络的思想，将道路等静态环境信息以及动态交通参与者的运动轨迹均进行编码，编码后经过类似TNT （《TNT:Target-driveN Trajectory Predictio》）思想的方式进行轨迹预测。2021年12月29日，Apollo7.0版本正式发布。本次7.0版本预测模块更新部分的核心思路与上述两篇论文非常接近，但主要区别在于使用MLP（多层感知机）替代了GCN（图神经网络），以及增加了更加丰富的工程化的优化方式。

预测模块的工作是预测感知模块检测到的障碍物的行为。整个模块的输入是障碍物信息（位置、速度、加速度、方位角）、本车的规划轨迹、本车定位信息；输出是障碍物的预测